شبكة عصبونية عميقة يمكنها فحص أمراض الجلد على جهاز الكمبيوتر المحمول

تم الإبلاغ عن هندسة جديدة لشبكة عصبونية عميقة يمكنها تقديم تشخيص مبكر للتصلب الجلدي الجهازي (SSc) من قبل رئيس قسم الهندسة الحيوية بجامعة هيوستن. SSc هو مرض مناعي ذاتي نادر يسبب تصلبًا أو تليفًا في الجلد والأعضاء الداخلية.

تم تنفيذ الشبكة المقترحة باستخدام جهاز كمبيوتر محمول قياسي ، ويمكنها التعرف فورًا على الفروق بين الصور الجلدية السليمة والجلد المصاب بالتصلب الجلدي.

نُشر البحث في IEEE Open Journal of Engineering in Medicine and Biology.

ميتين آكاي هو أستاذ كرسي جون إس دون الإندو في الهندسة الحيوية.

“دراستنا الأولية ، التي تهدف إلى إظهار فعالية البنية المقترحة للشبكة ، تحتوي على وعد في تمييز SSc” ، يقول آكاي.

“نعتقد أن البنية المقترحة للشبكة يمكن أن تُطبق بسهولة في إعداد سريري ، مما يوفر أداة فحص بسيطة ورخيصة ودقيقة ل SSc”.

التصلب الجلدي المبكر والتشخيص

من المهم جدًا تشخيص SSc في وقت مبكر ، ولكن هذا غالبًا ما يكون صعبًا. تظهر الدراسات المختلفة أن مشاركة العضو يمكن أن تحدث قبل ما كان متوقعًا ، وتحدث في المرحلة المبكرة من المرض.

نظرًا لصعوبة تشخيص المرض في المراحل المبكرة وتحديد مدى تقدم المرض حتى بالنسبة للأطباء في المراكز المتخصصة ، غالبًا ما يكون هناك تأخيرات طويلة في العلاج.

تدريب النظام

تضع التعلم العميق الخوارزميات في طبقات ، تسمى الشبكة العصبونية الاصطناعية ، والتي يمكنها اتخاذ قراراتها الخاصة. حاول الباحثون تسريع عملية التعلم ، لذلك قاموا بتدريب الشبكة الجديدة باستخدام معلمات MobileNetV2 ، وهو تطبيق رؤية محمول. تم تدريبه مسبقًا مع 1.4 مليون صورة من مجموعة ImageNet. استمرت مدة التدريب أقل من خمس ساعات.

“من خلال مسح الصور ، تتعلم الشبكة من الصور الحالية وتقرر أي صورة جديدة هي طبيعية أو في مرحلة مبكرة أو متأخرة من المرض” ، يقول آكاي.

شبكات التعلم العميق (CNNs) ، التي هي من بين شبكات التعلم العميق ، غالبًا ما يتم الاعتماد عليها في الهندسة والبيولوجيا والطب. ومع ذلك ، لم تصل بعد إلى مستوى عالٍ من النجاح في التطبيقات الحيوية ، بسبب حجم مجموعات التدريب والشبكات المتاحة.

قام آكاي ، مع شريكه ياسمين آكاي ، بدمج UNet ، وهو هيكل CNN معدل ، مع إضافة طبقات للتفوق على هذا التحدي. ثم طوروا وحدة تدريب محمولة ، وأظهرت النتائج أن البنية العميقة المقترحة أكثر كفاءة وأفضل من CNNs عند تصنيف صور SSc.

ياسمين آكاي هي أستاذة مساعدة في الهندسة الحيوية في جامعة هيوستن.

“بعد الضبط الدقيق ، أظهرت نتائجنا أن الشبكة المقترحة حققت دقة 100٪ على مجموعة الصور للتدريب ، و 96.8٪ دقة على مجموعة الصور للتأكيد ، و 95.2٪ على مجموعة الصور للاختبار” ، يقول آكاي.

شملت قائمة المؤلفين Yong Du و Cheryl Shersen و Ting Chen و Chanfra Mohan من جامعة هيوستن. كما شارك فيها Minghua Wu و Shervin Assassi من جامعة تكساس للعلوم الصحية.